阿尔茨海默病是一种起初发病缓慢、但会不断恶化的神经退化性疾病。它不仅导致病患的记忆和其他认知功能的进行性损害,而且已成为医疗保健系统的巨大经济负担。在该域中最具有挑战性的两个问题是:（1）准确预测脑疾病的认知表现,（2）寻找与致病机制有关的影像学标记物。国内外的研究者们已经针对上述两点挑战提出了许多优秀的预测模型。然而,这些模型大都倾向于（1）使用诸如深度学习等不具备可解释性的模型,（2）单一任务的建模方式,没有考虑数据之可能存在潜在信息,（3）模型的假设条件过于苛刻,或数据收未标准化而产生噪声,导致模型在真实的应用场景下却效果不佳。为了解决上述问题,本文引入了多任务学习理论框架,使用结构化多任务学习的策略来建模阿尔茨海默病进展过程。本文的主要研究工作和贡献如下:（1）针对当前大多数模型只考虑单任务的模式来预测认识功能的思维定势,提出一种使用多任务学习的建模方式,通过共享受试者关于多个认知评估的随访点的信息进行联合任务建模。（2）充分考虑了当前在医疗诊断中的真实情况,使用更精准和客观的数据源来进行疾病进展分析,并从实验结果证明该方案有效,且要更加适用于辅助诊疗。（3）寻找与致病机制有关的影像学标记物。针对模型缺乏可解释性,以被医学域认同的局性,使用基于结构化的多任务学习算法,并通过稳定地特征选择,不仅让模型是具备可解释的,以便于为医生解释算法优秀表现背后的原因,发现潜在的致病机制,而且利用多任务之间得以数据共享的特性可弥补预测精度不足的问题。